用 PathoWish 建立有独立测试集的生存预后项目

从一张包含随访时间和事件状态的临床表开始，PathoWish 可以把参考文献转为可复现的预后分析项目。本例使用公开 NCCTG 肺癌数据的 228 例患者，固定拆分为 159 例训练、69 例测试，原创实现 Cox 比例风险模型，导出风险、个体生存概率和图表报告。独立测试集的 Harrell C-index 为 0.644。

两组由训练集风险中位数划分；曲线只使用测试患者的真实随访和事件。风险分组阈值在测试评价前已确定。

1. 准备随访表和参考文献

数据来自 R survival 包的 NCCTG 肺癌示例，字段定义见维护者的 lung 文档。复现包内下载脚本从 Rdatasets 的 survival/cancer.csv 读取 CSV，保存为 data/lung.csv 并校验固定 SHA256。本次还用 lifelines 提供的同一队列 CSV 核对，显式统一事件编码后，228 行、10 个原始字段全部一致。

字段	本例含义与处理
time	随访时间，单位为天
status	原始编码 1=删失、2=死亡；程序转换为 event=0/1
age	年龄，连续变量
sex	原始 1=男性、2=女性；模型使用 female 指示变量
ph.ecog	ECOG 体能状态，按有序数值进入模型；一例缺失由训练集中位数填补

研究设计为该公开队列的内部独立留出评价：患者级固定拆分，训练阶段决定填补、标准化、模型、基线风险和分组阈值。模型采用比例风险和对数风险线性效应条件；区间通过固定模型的测试患者重采样获得，反映这次测试样本的不确定性。

参考 *Tutorial on survival modeling with applications to omics data* 的模型和验证章节。知识库中没有该文时，从官方开放全文页下载 PDF，在阶段2“参考文献与自备材料”点击“＋添加 PDF 文献”，选择文件并核对标题和勾选状态。

2. 在插件中绑定数据和环境

打开“数据与范围”，点击“＋增加数据”，选择只包含 lung.csv 的示例数据目录，并说明这是包含随访时间、事件与协变量的患者级表。

选择已有 Python 环境，使用 NumPy、SciPy、pandas、scikit-learn 和 Matplotlib。本例在 CPU 上执行，保持现有环境不安装或升级依赖。

在“建模项目”提交：

用所选 NCCTG 肺癌数据建立可复现的生存预后项目。time 为天，status 为 1 删失、2 死亡。按事件分层、固定种子 20261015，划分约 70% 训练、30% 测试。只用训练集拟合缺失填补、标准化、Cox 模型与风险分组阈值。变量使用 age、sex、ph.ecog，Breslow 处理并列事件时间。输出独立测试 C-index、固定模型测试患者 bootstrap 区间、患者风险表、KM 曲线、个体预测生存曲线和校准图；保留拆分、模型、核验记录和 PathoWish 品牌报告。

3. 确认分析方案

阶段1“调研文献与资源”读取模型原理和验证方法；阶段2“确认方案与仓库”核对变量、事件编码、拆分、评价和环境。

本例借鉴论文的低维生存建模、风险排序和图形验证思想，针对三项临床变量从头实现项目。Cox 部分似然、解析梯度、Breslow 基线累积风险和生存概率计算均放在项目源码中；通用库用于优化、拆分、数组和绘图。

确认后勾选“我已核对方案与所选仓库，确认按以上方案开发”，点击“确认方案并开始定制开发”。阶段3“分析源码与定制开发”显示代码生成，阶段4“验证并查看结果”显示运行和模型评审。

4. 查看真实的数据流

步骤	训练数据参与	测试数据参与	保存的证据
固定患者拆分	159 例，115 个事件	69 例，50 个事件	split.csv
缺失填补与标准化	估计中位数、均值和标准差	仅应用已保存参数	preprocessing.json
模型拟合	最大化 Cox 部分似然，Breslow 处理并列时间	不参与拟合	model.json、coefficients.csv
风险与生存预测	估计基线风险与分组阈值	生成每例风险及生存概率	predictions.csv、test_survival_predictions.csv
独立评价	不用于测试指标	C-index、KM、校准、1000 次重采样	metrics.json、test_km.csv、bootstrap_cindex.csv

风险分数为标准化变量的线性组合。训练集风险中位数为 0.0279463，据此将测试患者分为低风险 33 例、高风险 36 例。整个过程没有根据测试结果重选拆分或调参。

图中风险来自模型预测，随访时间和删失状态来自真实测试表。风险与个体结局之间存在重叠，因此同时查看排序指标和生存概率表现。

5. 解读独立测试指标与校准

项目	实际结果
测试患者数	69
测试事件 / 删失数	50 / 19
严格时间可比较对	1868
Harrell C-index	0.643737
固定模型测试患者 bootstrap 次数	1000
95% 百分位区间	0.553529–0.727868

C-index 使用严格不同时间的可比较对：较早发生事件者风险更高记为一致，预测风险相同记半分；相同随访时间的成对样本不计入。核验程序用另一段逐对循环独立重算，结果一致。

生存概率通过训练集基线累积风险与患者预测风险计算。365 天时，低风险组平均预测生存概率为 0.5664，实际 KM 估计为 0.3748；高风险组分别为 0.3130 和 0.3067。这提示低风险组存在生存概率高估，后续可据此设计更大的验证研究和校准方案。

完整 test_survival_predictions.csv 保存 69 例测试患者在基线事件时间网格上的预测生存概率，可直接用于后续曲线绘制和复核。

6. 核对诊断与自动修正

训练残差图用于观察随时间变化的趋势；优化检查核对解析梯度与有限差分。最终 BFGS 经过 8 轮迭代成功收敛，最大梯度约为 4.17e-7，有限差分梯度最大误差约为 1.54e-8。

首轮已产出全部科学结果，模型阅读优化回执与图表后，将过严的优化停止容差从 1e-7 调整为 1e-6，修正诊断图标题布局，并补充完整测试患者生存曲线 CSV。插件创建新子版本执行；新旧 metrics.json 完全相同，父版 32 个登记产物的 SHA256 保持不变。

最终五步全部完成，25 项核验通过，包括患者拆分、训练集预处理、解析梯度、独立 C-index、训练基线风险、KM 乘积、生存概率范围与单调性、完整患者曲线导出及图像文件检查。

7. 打开报告和项目代码

进入“结果与图表”，查看四张图和完整指标。点击“打开结果文件夹”读取 CSV、模型、数组与核验记录；使用项目代码仓库入口打开 prepare.py、survival_math.py、fit.py、evaluate.py 等原创模块，继续加入自己的变量和验证设计。

汇总报告包含真实结果、执行状态、技术选择和 PathoWish 品牌元素，可打印为 PDF。更换数据时，先核对患者标识、时间起点、事件定义、单位及拆分策略，再创建新的项目版本。

下载完整复现包（ZIP）。

复现包保留原始代码、固定下载哈希、参考产物和执行入口。在具有项目依赖的环境中运行：

python DOWNLOAD_DATA.py
python REPRODUCE.py

输出写入 artifacts/versions/，可与 reference-results/ 对照。包内同时提供固定输入哈希、方法说明和参考结果。

执行与来源记录

最终版本 version-39773373e71d，最终运行 run-9d4af0c59e。通过真实 Projects / NativeAPI / HostAssistant 链，由当前会话模型逐轮读取文献、编写代码、运行评审并创建修正版。UI 步骤提供给使用者复现；本次开放全文通过隔离驱动预置，验收层级为源码后端执行链。

Tutorial on survival modeling with applications to omics data，2024，开放全文。
survival 包 lung 数据定义与原始 cancer.rda。队列文献为 Loprinzi et al., *Prospective evaluation of prognostic variables from patient-completed questionnaires*, Journal of Clinical Oncology, 1994。
Rdatasets CSV与 lifelines 同队列 CSV，用于格式交叉核对；字段编码转换保留于来源记录。